CN111526058A - 网络资源的分配方法、装置及存储介质 - Google Patents
网络资源的分配方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111526058A CN111526058A CN202010366233.9A CN202010366233A CN111526058A CN 111526058 A CN111526058 A CN 111526058A CN 202010366233 A CN202010366233 A CN 202010366233A CN 111526058 A CN111526058 A CN 111526058A
- Authority
- CN
- China
- Prior art keywords
- network resource
- combination
- target
- network
- resource combination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013468 resource allocation Methods 0.000 title claims description 17
- 230000000694 effects Effects 0.000 claims abstract description 203
- 230000008901 benefit Effects 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000035945 sensitivity Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 abstract description 3
- 230000005284 excitation Effects 0.000 description 41
- 238000012545 processing Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种网络资源的分配方法、装置及存储介质,属于信息处理领域。该方法包括:对多个可选网络资源进行交叉组合,得到多个网络资源组合;根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,环境特征包括目标场景的场景特征和目标设备的设备特征;根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;根据每个网络资源组合的成本和收益,从多个网络资源组合中确定待分配给目标设备的目标网络资源组合。本申请提供了一种网络资源的联合分配方法,可以整合多种类型的网络资源并进行合理分配,减少了网络资源成本,扩展了网络资源的分配方式。
Description
技术领域
本申请涉及信息处理领域,特别涉及一种网络资源的分配方法、装置及存储介质。
背景技术
在信息处理领域,通常需要进行网络资源分配,即需要从一些可选网络资源中,选择出较优的网络资源分配给网络设备。其中,网络资源可以为时频资源或激励活动等。比如,在产品推荐场景中,为了促使用户使用产品,通常会采用一些激励活动对用户进行激励,这些激励活动可以包括为用户发放礼物或进行费用减免等营销活动。但是,针对同一激励场景,可能会存在激励形式、激励渠道和激励目标不同的多种可选激励活动,因此为了提高激励效果,需要预先为激励场景选取合适的激励活动。
相关技术中,可以预先针对适应于目标场景的各种类型的网络资源构建分配预估模型,每种类型的分配预估模型用于预估属于该类型的任一网络资源的评估值,该评估值用于指示网络资源的质量。之后,对于适用于目标场景的多个可选网络资源,先从这多个可选网络资源中确定属于同一类型的至少一个网络资源,再根据该至少一个网络资源,通过该类型的分配预估模型,确定该至少一个网络资源的评估值,将分评估值最高的网络资源确定为待分配的目标网络资源。
但是,上述方式中只能针对单一类型的网络资源进行选取和分配,各种类型的网络资源相互独立,分配方式具有一定的局限性,可能会造成网络资源分配不合理。
发明内容
本申请实施例提供了一种网络资源的分配方法、装置及存储介质,可以用于解决相关技术中存在的网络资源的分配方式单一,具有一定的局限性,可能会造成网络资源分配不合理的问题。所述技术方案如下:
一方面,提供了一种网络资源的确定方法,所述方法包括:
对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,所述可选网络资源是指适用于目标场景下的目标设备的网络资源;
根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,所述分配效果预估模型用于预估任一网络资源组合对应的多个效果指标,所述分配效果预估模型为多任务学习模型,所述环境特征包括所述目标场景的场景特征和所述目标设备的设备特征;
根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;
根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合。
可选地,对多个可选网络资源进行交叉组合,得到多个网络资源组合,包括:
对多个可选激励活动进行交叉组合,得到多个激励活动组合,每个激励活动组合包括至少一个可选激励活动,所述可选激励活动是指适用于目标场景下的目标设备的激励活动。
可选地,所述根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益,包括:
对于第一网络资源组合对应的多个效果指标,根据所述多个效果指标的权重,对所述多个效果指标进行加权求和,得到所述第一网络资源组合的收益,所述第一网络资源组合为所述多个网络资源组合中的任一个。
可选地,所述目标设备包括至少一个网络设备;
所述根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合,包括:
根据每个网络资源组合的成本和收益,通过预设约束条件,从所述多个网络资源组合中确定待分配给所述至少一个网络设备中每个网络设备的目标网络资源组合,所述预设约束条件用于保证所述至少一个网络设备的目标网络资源组合的总成本小于或等于成本阈值且总收益最大。
可选地,所述根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合之前,还包括:
将每个网络资源组合包括的所有可选网络资源的总成本,确定为每个网络资源组合的组合成本;
若所述多个效果指标包括转化率,则将每个网络资源组合的组合成本与转化率进行相乘,得到每个网络资源组合的成本;
若所述多个效果指标不包括转化率,则将每个网络资源组合的组合成本确定为每个网络资源组合的成本。
可选地,所述根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标之前,还包括:
获取多个样本数据,每个样本数据包括样本网络资源组合、样本环境特征、以及所述样本网络资源组合对应的多个效果指标;
根据所述多个样本数据,对待训练分配效果预估模型进行训练,得到所述分配效果预估模型。
可选地,所述环境特征还包括所述目标设备对应的目标用户的激励敏感度,所述激励敏感度是根据所述目标用户的历史行为数据统计得到,用于指示所述目标用户接受激励的可能性。
另一方面,提供了一种网络资源分配装置,所述装置包括:
组合模块,用于对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,所述可选网络资源是指适用于目标场景下的目标设备的网络资源;
第一确定模块,用于根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,所述分配效果预估模型用于预估任一网络资源组合对应的多个效果指标,所述分配效果预估模型为多任务学习模型,所述环境特征包括所述目标场景的场景特征和所述目标设备的设备特征;
第二确定模块,用于根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;
第三确定模块,用于根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合。
可选地,组合模块用于:
对多个可选激励活动进行交叉组合,得到多个激励活动组合,每个激励活动组合包括至少一个可选激励活动,所述可选激励活动是指适用于目标场景下的目标设备的激励活动。
可选地,所述第二确定模块用于:
对于第一网络资源组合对应的多个效果指标,根据所述多个效果指标的权重,对所述多个效果指标进行加权求和,得到所述第一网络资源组合的收益,所述第一网络资源组合为所述多个网络资源组合中的任一个。
可选地,所述目标设备包括至少一个网络设备;
所述第三确定模块用于:
根据每个网络资源组合的成本和收益,通过预设约束条件,从所述多个网络资源组合中确定待分配给所述至少一个网络设备中每个网络设备的目标网络资源组合,所述预设约束条件用于保证所述至少一个网络设备的目标网络资源组合的总成本小于或等于成本阈值且总收益最大。
可选地,所述装置还包括:
第四确定模块,用于将每个网络资源组合包括的所有可选网络资源的总成本,确定为每个网络资源组合的组合成本;
第一处理模块,用于若所述多个效果指标包括转化率,则将每个网络资源组合的组合成本与转化率进行相乘,得到每个网络资源组合的成本;
第二处理模块,用于若所述多个效果指标不包括转化率,则将每个网络资源组合的组合成本确定为每个网络资源组合的成本。
可选地,所述装置还包括:
获取模块,用于获取多个样本数据,每个样本数据包括样本网络资源组合、样本环境特征、以及所述样本网络资源组合对应的多个效果指标;
训练模块,用于根据所述多个样本数据,对待训练分配效果预估模型进行训练,得到所述分配效果预估模型。
可选地,所述环境特征还包括所述目标设备对应的目标用户的激励敏感度,所述激励敏感度是根据所述目标用户的历史行为数据统计得到,用于指示所述目标用户接受激励的可能性。
另一方面,提供了一种网络资源的确定装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述任一种网络资源的分配方法的步骤。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述任一种网络资源的分配方法的步骤。
另一方面,还提供了一种计算机程序产品,当所述计算机程序产品被执行时,用于实现上述任一种网络资源的分配方法。
本申请实施例提供的技术方案带来的有益效果是:
本申请实施例中,可以先对多个可选网络资源进行交叉组合,得到多个网络资源组合。然后根据每个网络资源组合的组合特征、目标场景的场景特征和目标设备的设备特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标。再根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益,根据每个网络资源组合的成本和收益,从多个网络资源组合中确定待分配给目标设备的目标网络资源组合。如此,提供了一种网络资源的联合分配方法,可以整合多种类型的网络资源并进行合理分配,并不局限于单一类型的网络资源,扩展了网络资源的分配方式,节省了网络资源成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种网络资源的分配方法流程图;
图2是本申请实施例提供的一种激励活动的交叉组合示意图;
图3是本申请实施例提供的一种MTL模型的模型示意图;
图4是本申请实施例提供的一种网络资源的分配装置框图;
图5是本申请实施例提供的一种计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例的应用场景予以说明。
本申请实施例提供的网络资源的分配方法应用于网络资源分配场景,可以从多个可选网络资源中选择出较优的网络资源分配给网络设备,以实现网络资源的合理分配。其中,网络资源可以为硬件网络资源或软件网络资源,硬件网络资源可以为设备资源,软件网络资源可以为网络传输资源、计算资源、管理资源、管理信息或激励活动等等。比如,该网络资源的分配方法可以应用于信息管理场景中,可以从多个可选管理信息中选择出较优的管理信息配置给网络设备。或者,应用于活动激励场景中,可以从多个可选激励活动中选择出较优的激励活动展示给用户。其中,激励活动可以为营销活动等。
以网络资源为营销活动为例,在推荐营销场景中,为了促使用户使用产品,通常会给到用户一些激励。同一时间可能会有多种营销活动同时在线,这些活动的激励形式、激励目标和激励渠道可能各不相同。现有技术中,主要是将这些营销活动单独利用机器学习算法来预估激励分数,以实现精准营销。由于只是针对单一的激励形式、激励目标或激励渠道进行预估,就不可避免的会让营销活动之间相互独立,但是营销活动的营销目标之间本质上是有关联的。因此独立的控制每一个营销活动就会造成营销活动分配不合理,进而造成活动成本的浪费。
本申请实施例为了更加合理地分配网络资源,提供了一种网络资源的联合分配方法,可以整合多种类型的网络资源并进行合理分配,极大的减少了网络资源成本的浪费,扩展了网络资源的分配方式。
接下来,对本申请实施例提供的网络资源的分配方法进行详细介绍。
图1是本申请实施例提供的一种网络资源的分配方法流程图,该方法应用于计算机设备中,该计算机设备可以为终端或服务器,当然,该方法也可以由终端和服务器交互实现。参见图1,该方法包括如下步骤:
步骤101:对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,可选网络资源是指适用于目标场景下的目标设备的网络资源。
需要说明的是,网络资源是指能够分配给网络设备的网络资源。其中,网络资源可以为硬件网络资源或软件网络资源等。比如,硬件网络资源可以为设备资源等。软件网络资源可以为网络传输资源、计算资源、管理资源、管理信息、音视频资源、新闻资源或激励活动等。其中,激励活动用于激励用户使用推荐的产品,可以为营销活动或其他形式的活动。比如,营销活动可以为满减、减免、发放购物券或礼物等。
其中,目标场景是指待分配网络资源的场景,目标设备为目标场景下待分配网络资源的网络设备。比如,若网络资源为管理信息,则目标场景可以为管理信息的目标配置场景;若网络资源为推广信息,则目标场景可以为推广信息的目标推广场景;若网络资源为激励活动,则目标场景可以为激励活动的目标激励场景。
作为一个示例,目标场景可以包括网络资源分配位置、网络资源展示位的数量或网络资源分配时间等。比如,目标激励场景可以包括激励位置、展示位的数量或激励时间等。其中,激励位置是指激励活动的展示位置,如网页位置或视频位置等。
在接收到网络资源分配请求时,计算机设备可以先适用于确定目标场景下的目标设备的可选网络资源,得到多个可选网络资源,然后再对这多个可选网络资源进行交叉组合,得到多个网络资源组合。其中,网络资源分配请求用于请求为目标用户分配网络资源。
比如,以网络资源为激励活动为例,在接收到激励请求时,计算机设备可以先确定适用于目标场景下的目标设备的可选激励活动,得到多个可选激励活动,然后再对多个可选激励活动进行交叉组合,得到多个激励活动组合。其中,激励请求用于请求为目标设备分配激励活动。
作为一个示例,可以根据目标场景,对多个可选网络资源进行交叉组合。比如,根据目标场景中网络资源展示位的数量,对多个可选网络资源进行交叉组合。在一种可能的实现方式中,可以根据目标场景中网络资源展示位的数量,按照排列组合方式,对多个可选网络资源进行交叉组合,得到多个网络资源组合。
作为一个示例,若网络资源为激励活动,则可以根据目标激励场景,对多个可选激励活动进行交叉组合。比如,根据目标激励场景中展示位的数量,对多个可选激励活动进行交叉组合。
作为一个示例,根据目标激励场景中展示位的数量,按照排列组合方式,对多个可选激励活动进行交叉组合,得到多个激励活动组合。
比如,若目标激励场景包括N个展示位,则对于N个展示位中的每个展示位,为每个展示位从多个可选激励活动中选择一个激励活动,并将选择的激励活动进行组合,根据可能的组合方式,确定多个激励活动组合。其中,N为正整数。
比如,若目标激励场景包括N个展示位,且存在M个可选激励活动,则针对每个展示位可以从M个可选激励活动选取一个激励活动,即每个展示位的激励活动选取方式有个,则N个展示位的激励活动组合方式有个。其中,展示位用于展示激励活动,M和N均为正整数。
请参考图2,若激励场景中存在N个展示位和多个可选激励活动,这多个可选激励活动包括无活动、立减、返券以及随机减等激励活动,则可以按照图2所示的方式对多个可选激励活动进行交叉组合,得到多个可选激励活动组合。
步骤102:根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,环境特征包括目标场景的场景特征和目标用户的用户特征。
其中,网络资源组合的组合特征可以包括网络资源组合的组合标识、网络资源组合包括的各个可选网络资源的资源标识、或网络资源组合包括的各个选网络资源的资源特征等。
其中,目标场景的场景特征用于表征目标场景,可以包括与网络资源分配位置、网络资源展示位的数量或网络资源分配时间等相关的特征。比如,目标激励场景的场景特征可以包括与激励位置、展示位的数量或激励时间等相关的特征。
作为一个示例,目标设备还对应有目标用户,即可以将网络资源分配给目标用户。环境特征还可以包括目标用户的用户特征。目标用户的用户特征用于表征待分配网络资源的目标用户,可以包括目标用户的用户标识和用户画像中的至少一种。
作为一个示例,若网络资源为激励活动,环境特征还可以包括待激励的目标用户的历史行为数据的统计特征,该统计特征可以根据目标用户的历史行为数据统计得到。示例的,统计特征可以包括目标用户的激励敏感度,激励敏感度用于指示目标用户接受激励的可能性。当然,统计特征还可以包括根据目标用户的历史行为数据统计得到的其他统计特征,本申请实施例对此不作限定。
作为一个示例,目标设备可以用网络用户来表示,即可以将网络资源分配给目标用户。这种情况下,可选网络资源为适用于目标场景下的目标用户的网络资源,环境特征包括目标场景的场景特征和目标用户的用户特征。另外,环境特征还可以包括目标用户的激励敏感度。
其中,效果指标是指与通过分配的网络资源能够达到的预期效果相关的指标,比如与预期收益相关的指标。比如,该多个效果指标可以包括网络资源转化率或网络资源使用率等。
作为一个示例,若网络资源为激励活动,则激励活动组合对应的多个效果指标可以为预期的多个激励目标指标。比如,这多个激励目标指标可以包括激励活动的转化率、推荐产品的使用用户的增加量、推荐产品的使用用户的活跃率的增加量等。示例的,以推荐产品为某个应用提供的支付方式为例,则多个激励目标指标可以包括提高该支付方式在绑用户的活跃率、提高在该应用上绑定某个银行卡的用户数量等等。
需要说明的是,分配效果预估模型用于预估任一网络资源组合对应的多个效果指标。在通过该分配效果预估模型,确定每个网络资源组合对应的多个效果指标时,可以将每个网络资源组合的组合特征和环境特征作为该分配效果预估模型的输入,则通过该分配效果预估模型即可输出每个网络资源组合对应的多个效果目标。
作为一个示例,该分配效果预估模型可以根据多个样本数据进行训练得到,样本数据可以包括样本网络资源组合、样本环境特征、以及样本网络资源组合对应的多个效果指标。比如,可以获取多个样本数据,然后根据多个样本数据,对待训练分配效果预估模型进行训练,得到该分配效果预估模型。其中,样本数据可以从历史数据中获取得到。
作为一个示例,若网络资源为激励活动,则该激励效果预估模型可以为激励目标预估模型。该激励目标预估模型用于预估任一激励活动组合对应的多个激励目标指标。在通过该激励目标预估模型,确定每个激励活动组合对应的多个激励目标指标时,可以将每个激励活动组合的组合特征和环境特征作为该激励目标预估模型的输入,则通过该激励目标预估模型即可输出每个激励活动组合对应的多个激励目标指标。
作为一个示例,该激励目标预估模型可以根据多个样本数据进行训练得到,样本数据可以包括样本激励活动组合、样本环境特征、以及样本激励活动组合对应的多个激励目标指标。比如,可以获取多个样本数据,然后根据多个样本数据,对待训练激励目标预估模型进行训练,得到该激励目标预估模型。其中,样本数据可以从历史数据中获取得到。
作为一个示例,该分配效果预估模型可以为深度学习模型,示例的,该分配效果预估模型可以为多任务学习(Multi-Task Learning,MTL)模型。请参考图3,该MTL模型可以如图3所示。
通过多任务学习模型可以学习到每个网络资源组合对应的多个效果指标。若该分配效果预估模型为多任务学习模型,则可以在对待训练分配效果预估模型进行训练的过程中,可以在用历史数据训练的模型上直接加入最新的样本进行学习,对环境的适应性较好。
比如,可以将K个效果指标作为任务目标,来构建MTL模型,则可以通过MTL模型,同时预测K个效果指标。K为大于或等于1的正整数。
示例的,假设有K个效果指标,则可以将网络资源分配问题抽象为如下式:
(p1,p2,...,pk)=f(user,action,context) (1)
其中,pk为第k个效果指标,user为目标用户,action为网络资源组合,context为目标场景。
步骤103:根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益。
也即是,可以根据每个网络资源组合对应的多个效果指标,预估每个网络资源组合的收益。
作为一个示例,对于第一网络资源组合对应的多个效果指标,可以根据多个效果指标的权重,对多个效果指标进行加权求和,得到第一网络资源组合的收益,第一网络资源组合为多个网络资源组合中的任一个。比如,将每个效果指标的权重与每个效果指标进行相乘,然后将相乘结果进行相加,得到第一网络资源组合的收益。
其中,每个效果指标的权重可以预先设置。比如,可以根据每个效果指标的重要程度进行设置,重要程度越高,则权重越大。
作为一个示例,第一网络资源组合的收益可以通过以下公式(2)确定:
其中,pk为第k个效果指标,wk为第k个效果指标的权重,K为效果指标的数量。
另外,在确定每个网络资源组合的收益之外,还需要确定每个网络资源组合的成本。
作为一个示例,可以将每个网络资源组合包括的所有可选网络资源的总活动成本,确定为每个网络资源组合的组合成本,然后根据每个网络资源组合的组合成本,确定每个网络资源组合的成本。
作为一个示例,可以将每个网络资源组合的组合成本确定为每个网络资源组合的成本,也可以根据每个网络资源组合的组合成本,以及对应的多个效果指标,预估每个网络资源组合的成本。
例如,若多个效果指标包括转化率,则将每个网络资源组合的组合成本与转化率进行相乘,得到每个网络资源组合的成本。若多个效果指标不包括转化率,则将每个网络资源组合的组合成本确定为每个网络资源组合的成本。
步骤104:根据每个网络资源组合的成本和收益,从多个网络资源组合中确定待分配给目标设备的目标网络资源组合。
其中,目标网络资源组合是指根据每个网络资源组合的成本和收益,从多个网络资源组合中确定的适用于目标设备的最优网络资源组合。比如,目标网络资源组合为成本小于等于成本阈值且收益最大的网络资源组合。
作为一个示例,目标设备可以包括至少一个网络设备,在确定目标网络资源组合时,可以根据每个网络资源组合的成本和收益,通过预设约束条件,从多个网络资源组合中确定待分配给至少一个网络设备中每个网络设备的目标网络资源组合。其中,预设约束条件用于保证至少一个网络设备的目标网络资源组合的总成本小于等于成本阈值且总收益最大。成本阈值可以预先设置。
作为一个示例,目标设备对应目标用户,目标用户包括至少一个用户,在确定目标网络资源组合时,可以根据每个网络资源组合的成本和收益,通过预设约束条件,从多个网络资源组合中确定待分配给至少一个用户中每个用户的目标网络资源组合。其中,预设约束条件用于保证至少一个用户的目标网络资源组合的总成本小于等于成本阈值且总收益最大。成本阈值可以预先设置。
作为一个示例,该预设约束条件可以转化为最优化公式,确定目标网络资源组合的过程可以转化为求取最优化公式的最优解的问题。
比如,若在目标场景下的目标用户有N个用户,M种网络资源组合,K个效果指标,则该预设约束条件即求解的最优化公式可以为如下公式(3)和(4)所示:
其中,xnm表示是否向用户n分配网络资源组合m,若分配,则xnm为1,若不分配,则xnm为0;pk为第k个效果指标,ωk为第k个效果指标的权重;moneynm为第m个网络资源组合的成本,总成本为Money。
作为一个示例,为了降低求取最优解的复杂度,还可以通过将相似的用户划分到一起,再通过组合优化、凸优化等方法求解出最优解。
本申请实施例中,可以先对多个可选网络资源进行交叉组合,得到多个网络资源组合。然后根据每个网络资源组合的组合特征、目标场景的场景特征和目标设备的设备特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标。再根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益,根据每个网络资源组合的成本和收益,从多个网络资源组合中确定待分配给目标用户的目标网络资源组合。如此,提供了一种网络资源的联合分配方法,可以整合多种类型的网络资源并进行合理分配,并不局限于单一类型的网络资源,扩展了网络资源的分配方式,减少了网络资源成本。
图4是本申请实施例提供的一种网络资源的分配装置的框图,如图4所示,该装置可以包括组合模块401、第一确定模块402、第二确定模块403和第三确定模块404。
组合模块401,用于对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,所述可选网络资源是指适用于目标场景下的目标设备的网络资源;
第一确定模块402,用于根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,所述分配效果预估模型用于预估任一网络资源组合对应的多个效果指标,所述分配效果预估模型为多任务学习模型,所述环境特征包括所述目标场景的场景特征和所述目标设备的设备特征;
第二确定模块403,用于根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;
第三确定模块404,用于根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合。
可选地,组合模块401用于:
对多个可选激励活动进行交叉组合,得到多个激励活动组合,每个激励活动组合包括至少一个可选激励活动,所述可选激励活动是指适用于目标场景下的目标设备的激励活动。
可选地,所述第二确定模块403用于:
对于第一网络资源组合对应的多个效果指标,根据所述多个效果指标的权重,对所述多个效果指标进行加权求和,得到所述第一网络资源组合的收益,所述第一网络资源组合为所述多个网络资源组合中的任一个。
可选地,所述目标设备包括至少一个网络设备;
所述第三确定模块404用于:
根据每个网络资源组合的成本和收益,通过预设约束条件,从所述多个网络资源组合中确定待分配给所述至少一个网络设备中每个网络设备的目标网络资源组合,所述预设约束条件用于保证所述至少一个网络设备的目标网络资源组合的总成本小于或等于成本阈值且总收益最大。
可选地,所述装置还包括:
第四确定模块,用于将每个网络资源组合包括的所有可选网络资源的总活动成本,确定为每个网络资源组合的组合成本;
第一处理模块,用于若所述多个效果指标包括转化率,则将每个网络资源组合的组合成本与转化率进行相乘,得到每个网络资源组合的成本;
第二处理模块,用于若所述多个效果指标不包括转化率,则将每个网络资源组合的组合成本确定为每个网络资源组合的成本。
可选地,所述装置还包括:
获取模块,用于获取多个样本数据,每个样本数据包括样本网络资源组合、样本环境特征、以及所述样本网络资源组合对应的多个效果指标;
训练模块,用于根据所述多个样本数据,对待训练分配效果预估模型进行训练,得到所述分配效果预估模型。
可选地,所述可选网络资源为激励活动,所述环境特征还包括所述目标设备对应的目标用户的激励敏感度,所述激励敏感度是根据所述目标用户的历史行为数据统计得到,用于指示所述目标用户接受激励的可能性。
本申请实施例中,可以先对多个可选网络资源进行交叉组合,得到多个网络资源组合。然后根据每个网络资源组合的组合特征、目标场景的场景特征和待分配的目标用户的用户特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标。再根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益,根据每个网络资源组合的成本和收益,从多个网络资源组合中确定待分配给目标用户的目标网络资源组合。如此,提供了一种网络资源的联合分配方法,可以整合多种类型的网络资源并进行合理分配,并不局限于单一类型的网络资源,扩展了网络资源的分配方式。
需要说明的是:上述实施例提供的网络资源分配装置在分配网络资源时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的网络资源分配装置与网络资源的分配方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5是本申请实施例提供的一种计算机设备500的结构框图。该计算机设备500可以是手机、平板电脑、智能电视、多媒体播放设备、可穿戴设备、台式电脑、服务器等计算机设备。该计算机设备500可用于实施上述实施例中提供的网络资源的分配方法。
通常,计算机设备500包括有:处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(FieldProgrammable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的网络资源的分配方法。
在一些实施例中,计算机设备500还可选包括有:外围设备接口503和至少一个外围设备。处理器501、存储器502和外围设备接口503之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口503相连。具体地,外围设备可以包括:显示屏504、音频电路505、通信接口506和电源507中的至少一种。
本领域技术人员可以理解,图5中示出的结构并不构成对计算机设备500的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性的实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述网络资源的分配方法。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品被执行时,其用于实现上述网络资源的分配方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种网络资源的分配方法,其特征在于,所述方法包括:
对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,所述可选网络资源是指适用于目标场景下的目标设备的网络资源;
根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,所述分配效果预估模型用于预估任一网络资源组合对应的多个效果指标,所述分配效果预估模型为多任务学习模型,所述环境特征包括所述目标场景的场景特征和所述目标设备的设备特征;
根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;
根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合。
2.根据权利要求1所述的方法,其特征在于,所述多个可选网络资源进行交叉组合,得到多个网络资源组合,包括:
对多个可选激励活动进行交叉组合,得到多个激励活动组合,每个激励活动组合包括至少一个可选激励活动,所述可选激励活动是指适用于目标场景下的目标设备的激励活动。
3.根据权利要求1所述的方法,其特征在于,所述根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益,包括:
对于第一网络资源组合对应的多个效果指标,根据所述多个效果指标的权重,对所述多个效果指标进行加权求和,得到所述第一网络资源组合的收益,所述第一网络资源组合为所述多个网络资源组合中的任一个。
4.根据权利要求1所述的方法,其特征在于,所述目标设备包括至少一个网络设备;
所述根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合,包括:
根据每个网络资源组合的成本和收益,通过预设约束条件,从所述多个网络资源组合中确定待分配给所述至少一个网络设备中每个网络设备的目标网络资源组合,所述预设约束条件用于保证所述至少一个网络设备的目标网络资源组合的总成本小于或等于成本阈值且总收益最大。
5.根据权利要求1所述的方法,其特征在于,所述根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合之前,还包括:
将每个网络资源组合包括的所有可选网络资源的总成本,确定为每个网络资源组合的组合成本;
若所述多个效果指标包括转化率,则将每个网络资源组合的组合成本与转化率进行相乘,得到每个网络资源组合的成本;
若所述多个效果指标不包括转化率,则将每个网络资源组合的组合成本确定为每个网络资源组合的成本。
6.根据权利要求1-5任一所述的方法,其特征在于,所述根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标之前,还包括:
获取多个样本数据,每个样本数据包括样本网络资源组合、样本环境特征、以及所述样本网络资源组合对应的多个效果指标;
根据所述多个样本数据,对待训练分配效果预估模型进行训练,得到所述分配效果预估模型。
7.根据权利要求1-5任一所述的方法,其特征在于,所述环境特征还包括所述目标设备对应的目标用户的用户特征,以及所述目标用户的激励敏感度,所述激励敏感度是根据所述目标用户的历史行为数据统计得到,用于指示所述目标用户接受激励的可能性。
8.一种网络资源分配装置,其特征在于,所述装置包括:
组合模块,用于对多个可选网络资源进行交叉组合,得到多个网络资源组合,每个网络资源组合包括至少一个可选网络资源,所述可选网络资源是指适用于目标场景下的目标设备的网络资源;
第一确定模块,用于根据每个网络资源组合的组合特征和环境特征,通过分配效果预估模型,确定每个网络资源组合对应的多个效果指标,所述分配效果预估模型用于预估任一网络资源组合对应的多个效果指标,所述分配效果预估模型为多任务学习模型,所述环境特征包括所述目标场景的场景特征和所述目标设备的设备特征;
第二确定模块,用于根据每个网络资源组合对应的多个效果指标,确定每个网络资源组合的收益;
第三确定模块,用于根据每个网络资源组合的成本和收益,从所述多个网络资源组合中确定待分配给所述目标设备的目标网络资源组合。
9.一种网络资源分配装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-6所述的任一项方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现权利要求1-6所述的任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366233.9A CN111526058A (zh) | 2020-04-30 | 2020-04-30 | 网络资源的分配方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366233.9A CN111526058A (zh) | 2020-04-30 | 2020-04-30 | 网络资源的分配方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111526058A true CN111526058A (zh) | 2020-08-11 |
Family
ID=71906505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010366233.9A Pending CN111526058A (zh) | 2020-04-30 | 2020-04-30 | 网络资源的分配方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526058A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168023A (zh) * | 2022-05-16 | 2022-10-11 | 阿里巴巴(中国)有限公司 | 资源调配方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150947A1 (en) * | 2011-05-03 | 2012-11-08 | Intuit Inc. | Revenue-based impact analysis using multidimensional models of software offerings |
CN103533037A (zh) * | 2013-09-29 | 2014-01-22 | 浙江工商大学 | 基于经济模型的转发和控制分离网络中的资源调度方法 |
CN110428281A (zh) * | 2019-07-22 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 针对多种关联产品联合确定对等资源量的方法和装置 |
-
2020
- 2020-04-30 CN CN202010366233.9A patent/CN111526058A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150947A1 (en) * | 2011-05-03 | 2012-11-08 | Intuit Inc. | Revenue-based impact analysis using multidimensional models of software offerings |
CN103533037A (zh) * | 2013-09-29 | 2014-01-22 | 浙江工商大学 | 基于经济模型的转发和控制分离网络中的资源调度方法 |
CN110428281A (zh) * | 2019-07-22 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 针对多种关联产品联合确定对等资源量的方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168023A (zh) * | 2022-05-16 | 2022-10-11 | 阿里巴巴(中国)有限公司 | 资源调配方法以及装置 |
CN115168023B (zh) * | 2022-05-16 | 2023-12-12 | 阿里巴巴(中国)有限公司 | 资源调配方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944593A (zh) | 一种资源分配方法及装置,电子设备 | |
WO2017031840A1 (zh) | 一种用于为用户分配资源的方法和装置 | |
CN112870726B (zh) | 图形处理器的资源分配方法、装置和存储介质 | |
CN108460627A (zh) | 营销活动方案推送方法、装置、计算机设备及存储介质 | |
CN109191202A (zh) | 资源分配方法、装置、电子设备及计算机可读存储介质 | |
CN109190028A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN105528377A (zh) | 搜索结果的处理方法、装置及系统 | |
US20090327164A1 (en) | Load distributing method, computer product, and load distributing apparatus | |
CN111526058A (zh) | 网络资源的分配方法、装置及存储介质 | |
CN108460611A (zh) | 一种信息处理方法、及其应用方法和相关设备 | |
CN108876463A (zh) | 权益兑换方法、装置和存储介质 | |
CN110662188B (zh) | 计费方法和系统 | |
CN116777518A (zh) | 事务管理方法、装置、存储介质及设备 | |
CN114625975B (zh) | 一种基于知识图谱的客户行为分析系统 | |
CN114285896B (zh) | 信息推送方法、装置、设备、存储介质及程序产品 | |
CN110443636A (zh) | 在用户间分配资源以调控其电子支付行为的方法和装置 | |
CN115809889A (zh) | 基于营销效果的智能客群筛选方法、系统、介质及设备 | |
CN112418654B (zh) | 一种资源分配方法、装置、电子设备及存储介质 | |
CN112084348A (zh) | 一种关联度确定方法及装置 | |
CN107451255B (zh) | 一种基于关注关系的用户兴趣处理方法和装置 | |
CN111881353A (zh) | 一种展示资源的推送方法、装置、电子设备和存储介质 | |
CN112348298A (zh) | 设计师管理方法、装置、电子终端、及存储介质 | |
CN111260468A (zh) | 基于区块链的数据操作方法和相关设备及存储介质 | |
CN110321511B (zh) | 知识分享激励方法、装置、设备及存储介质 | |
US20230315528A1 (en) | Computing resource scheduling method, device, electronic apparatus, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |
|
RJ01 | Rejection of invention patent application after publication |